Affinity LCFCN：基于弱监督学习分割鱼类
计算机视觉与模式识别
2020-11-09 v1
摘要
水产养殖产业依赖于精确的鱼体测量（如长度、宽度与质量）的可用性。依赖尺子等物理工具的手动方法耗时耗力。领先的自动方法依赖全监督分割模型获取这些测量值，但这需收集逐像素标签——同样耗时费力：即每条鱼生成精确分割标签可达两分钟，几乎总需至少若干人工干预。我们提出一种自动分割模型，以仅含点级监督的图像高效训练，每鱼以单次点击标注。该标注过程需显著更少人工干预，平均每鱼约一秒。我们的方法使用全卷积神经网络，一支输出逐像素分数，另一支输出亲和矩阵。我们以随机游走聚合这两输出获得最终精炼的逐像素分割输出。我们以 LCFCN 损失端到端训练整个模型，即得我们的 A-LCFCN 方法。我们在 DeepFish 数据集上验证模型，其含澳大利亚东北部多处鱼类栖息地。实验结果确认 A-LCFCN 在固定标注预算下优于全监督分割模型。此外，我们展示 A-LCFCN 取得优于 LCFCN 与标准基线的分割结果。代码发布于 \url{https://github.com/IssamLaradji/affinity_lcfcn}。
引用
@article{arxiv.2011.03149,
title = {Affinity LCFCN: Learning to Segment Fish with Weak Supervision},
author = {Issam Laradji and Alzayat Saleh and Pau Rodriguez and Derek Nowrouzezahrai and Mostafa Rahimi Azghadi and David Vazquez},
journal= {arXiv preprint arXiv:2011.03149},
year = {2020}
}